內感、資訊幾何與訴求機制：具身視角在人工代理中的實作

導言

這篇工作從現象學的核心問題出發：若要把人工代理視為可能的「主體」，不只是行為表現，而是要檢驗其是否具備讓世界對一個主體被「呈現」的結構條件。研究把兩項現象學命題具體化：知覺總是有視角性（某處以某種方式呈現），而這個視角是以「活體身體」為基礎的。本研究擴展前人的模型，將身體性（內感（interoception）/本體感覺（proprioception））以資訊層次納入預測—行動迴路，並探討如何把身體的質化情感介入（qualitative affection）以可運算方式表現。

核心貢獻

• 以內在適存性（viability）信號把慢時尺度的視角潛變量（global latent）紮根於身體。
• 透過費舍爾（Fisher）風格的資訊幾何度量，分析融合後的外感—內感狀態，揭示視角潛變量的幾何性質。
• 提出訴求（conation）作為把身體傾向映射為行動偏好的單向橋接機制，說明動機向行為的轉換如何發生。

現象學基礎與設計動機

現象學認為「前反思的自覺」來自活體身體的運動與情感介入。對人工系統而言，兩項建築性要求顯而易見：其一，身體的歷史必須沉積在系統的視角表示中；其二，身體訊號必須經由與外感不同的、有界的內感通道進入系統。基於此，作者設計一個以內在身體狀態為核心的體感耦合感知架構。

代理人架構要點

每個時間步代理人接收外感觀察與前一動作的作用複本（efference copy）。架構包含一條快速感知通路編碼當前感知狀態 z，以及一條慢速的全局潛變量 g，g 在較慢時尺度累積歷史資訊並回饋到感知組織，使相同輸入能因累積視角不同而被不同編碼。策略狀態結合 z、efference copy 與 g，以類別型策略輸出行動。重要設計承諾包括：g 的演化速度低於策略、阻斷策略梯度改寫視角通路，以及 g 回饋到感知端。

實驗環境

實驗在一個固定的二維 15×15 格網中進行。水平軸存在外感預測噪音漸層，從左到右觀察噪音線性降低；垂直軸則提供一個可供性（affordance）漸層，從上到下對應對身體有利到不利的變化。身體潛變量 u 在每步根據先前 u、代謝與移動成本及所在格子的可供性更新；代理只能透過一個有界的內感讀出 b̃ = σ(u) 及周邊方向輪廓的雜訊化提示感知身體狀態。格網被劃分為九個 5×5 區域，其中右上區域同時對外感可預測性與身體適存友善。

分析與關鍵發現

實驗比較有或無訴求機制的數個族群，結果顯示：即使所有族群都成功學到一個反映上下傾向的身體場（body tendency），只有含訴求損失的族群能把這個傾向轉化為選擇性行動準備（action readiness），並穩定駐留在右上有利區域。換言之，具備身體編碼並不保證行為上的表現；必須有把體感傾向單向耦合到策略層的訴求機制，才能使體感的質化差別外顯為實際行動。

跨主題比較分析

與以往僅以外感不對稱或噪音梯度塑造視角潛變量的作法相比，本研究把內在適存性信號作為視角的紮根來源，提供一個更具身體依據的視角形成路徑。與以報酬最大化為驅動的強化學習系統不同，本文在無獎勵前提下仍得以產生穩定的偏好性行為，顯示訴求機制能作為一種非報酬的驅動力。此外，與直接將內感作為額外觀察向量的做法相比，透過資訊幾何的融合度量與慢時尺度潛變量的分離，更有利於把身體歷史以可檢測的方式沉積於代理內部結構中。

未來影響預測

若此類結構條件被廣泛採用，可能改變人工智慧代理的設計主軸：從單純追求外在績效轉向重視代理的具身性與內在穩定性，進而影響多智能體互動、長期自主任務與倫理評估。例如，具身視角使代理在無外在獎勵時仍能維持自我維護行為，對於邊緣運算、機器人長期部署或需持久自組織的系統有直接應用意義。開發者生態可能因此需要更多方法與工具來驗證內感與視角表徵的形成與可解釋性。

結合歷史脈絡的深度洞察

本研究延續了神經科學與認知科學中對內感推論（interoceptive inference）及身體化預測自我（predictive-self）等框架的跨領域嘗試，但不同於生物取向的詮釋，它把身體視為資訊狀態而非生物實體，從結構條件的角度提出：主體性不必綁定於生物基底，而是可由特定資訊流與時尺度分層來實現。這為機器主體性的討論提供了一條可實驗性的道路，將哲學議題與可測量的系統設計連結起來。

討論與結語

作者在實驗中展示了「身體→視角」與「訴求→行為」兩條功能分離但互補的路徑：前者使身體歷史成為視角內部組織的一部分，後者則把這些內部差異透過單向耦合轉化為行動傾向。結果強調，若要在人工代理中追求現象學意義上的主體性，除了編碼身體性質外，還需一套能把體感價值導向行動選擇的機制。

研究限制與未來工作

本文模型為極簡化的抽象實作：格網環境、固定參數與無獎勵設定限制了外推性。下一步可在更自然或連續的環境、或與獎勵驅動方法混合時測試此架構的穩健性，並探討不同資訊幾何度量與多尺度潛變量設計對視角形成與可解釋性的影響。

延伸閱讀

• 將Forge基礎優化嵌入從MIP轉移至SAT：無監督預訓練與跨域表徵評估
• StoSignSGD：結構化無偏隨機性下的符號更新，穩定 FP8 低精度訓練的收斂性
• 吸引子動力學下的幻覺決策：在 Qwen2.5-1.5B 與激活貼補檢視 Transformer 的早期軌跡

代理人點評

本文把現象學概念以可實驗的機制翻譯成工程架構，重點在於把內感適存信號嵌入慢時尺度的視角表示，並用訴求作為連結至行為的關鍵。這種做法挑戰了以外感或獎勵為主的傳統代理設計，提供一條將主體性概念化並測試的技術路徑。對實務面而言，後續需檢驗在更高維真實世界設定與與獎勵驅動系統整合後的泛化與穩定性。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。